Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW)
El problema de la gestión de residuos electrónicos es uno de los más apremiantes en la actualidad. Sin embargo, su gestión adecuada representa una oportunidad lucrativa debido a los diversos metales preciosos y tierras raras que contienen. La tarea de clasificar componentes electrónicos reciclados...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad Autónoma del Estado de Morelos
2025-02-01
|
| Series: | Programación Matemática y Software |
| Subjects: | |
| Online Access: | https://progmat.uaem.mx/progmat/index.php/progmat/article/view/307 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1825208853751398400 |
|---|---|
| author | Teth Azrael Cortes-Aguilar Adriana Tovar-Arriaga |
| author_facet | Teth Azrael Cortes-Aguilar Adriana Tovar-Arriaga |
| author_sort | Teth Azrael Cortes-Aguilar |
| collection | DOAJ |
| description |
El problema de la gestión de residuos electrónicos es uno de los más apremiantes en la actualidad. Sin embargo, su gestión adecuada representa una oportunidad lucrativa debido a los diversos metales preciosos y tierras raras que contienen. La tarea de clasificar componentes electrónicos reciclados suele ser realizada por humanos, pero un sistema de visión por computadora y un método de inteligencia artificial como la bolsa de palabras visuales (BoVW) podrían mejorarla. Este artículo presenta el desarrollo de una interfaz gráfica de usuario que consta de dos etapas. En la primera etapa, se crea el conjunto de datos y se entrena el modelo BoVW. En la segunda etapa, se prueba el modelo BoVW con nuevas imágenes adquiridas en tiempo real. La eficiencia del modelo BoVW mejora al aumentar el número de datos utilizados en la etapa de entrenamiento. Se lograron métricas de exactitud en la clasificación del 97%, 94%, 93%, 92% y 89% con circuitos integrados DIP 8, TO-220, display, resistencias y capacitores respectivamente. Nuestros hallazgos indican que el método BoVW puede lograr predicciones precisas en la etapa de prueba con un número menor de imágenes en la etapa de entrenamiento que otros algoritmos de aprendizaje automático.
|
| format | Article |
| id | doaj-art-554f77348944481f8d2085b9e55ba236 |
| institution | Kabale University |
| issn | 2007-3283 |
| language | English |
| publishDate | 2025-02-01 |
| publisher | Universidad Autónoma del Estado de Morelos |
| record_format | Article |
| series | Programación Matemática y Software |
| spelling | doaj-art-554f77348944481f8d2085b9e55ba2362025-02-06T16:48:35ZengUniversidad Autónoma del Estado de MorelosProgramación Matemática y Software2007-32832025-02-0117110.30973/progmat/2025.17.1/2Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW)Teth Azrael Cortes-Aguilar0Adriana Tovar-Arriaga1Departamento de Sistemas Computacionales y Electrónica, Tecnológico Nacional de México: ITJMMPyH. Zapopan, Jalisco, MéxicoDepartamento de Sistemas Computacionales y Electrónica, Tecnológico Nacional de México: ITJMMPyH. Zapopan, Jalisco, México El problema de la gestión de residuos electrónicos es uno de los más apremiantes en la actualidad. Sin embargo, su gestión adecuada representa una oportunidad lucrativa debido a los diversos metales preciosos y tierras raras que contienen. La tarea de clasificar componentes electrónicos reciclados suele ser realizada por humanos, pero un sistema de visión por computadora y un método de inteligencia artificial como la bolsa de palabras visuales (BoVW) podrían mejorarla. Este artículo presenta el desarrollo de una interfaz gráfica de usuario que consta de dos etapas. En la primera etapa, se crea el conjunto de datos y se entrena el modelo BoVW. En la segunda etapa, se prueba el modelo BoVW con nuevas imágenes adquiridas en tiempo real. La eficiencia del modelo BoVW mejora al aumentar el número de datos utilizados en la etapa de entrenamiento. Se lograron métricas de exactitud en la clasificación del 97%, 94%, 93%, 92% y 89% con circuitos integrados DIP 8, TO-220, display, resistencias y capacitores respectivamente. Nuestros hallazgos indican que el método BoVW puede lograr predicciones precisas en la etapa de prueba con un número menor de imágenes en la etapa de entrenamiento que otros algoritmos de aprendizaje automático. https://progmat.uaem.mx/progmat/index.php/progmat/article/view/307Componentes electrónicosbolsa de palabras visualesaprendizaje supervisadovisión por computadora |
| spellingShingle | Teth Azrael Cortes-Aguilar Adriana Tovar-Arriaga Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) Programación Matemática y Software Componentes electrónicos bolsa de palabras visuales aprendizaje supervisado visión por computadora |
| title | Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) |
| title_full | Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) |
| title_fullStr | Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) |
| title_full_unstemmed | Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) |
| title_short | Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW) |
| title_sort | deteccion de componentes electronicos mediante el metodo de la bolsa de palabras visuales bovw |
| topic | Componentes electrónicos bolsa de palabras visuales aprendizaje supervisado visión por computadora |
| url | https://progmat.uaem.mx/progmat/index.php/progmat/article/view/307 |
| work_keys_str_mv | AT tethazraelcortesaguilar detecciondecomponenteselectronicosmedianteelmetododelabolsadepalabrasvisualesbovw AT adrianatovararriaga detecciondecomponenteselectronicosmedianteelmetododelabolsadepalabrasvisualesbovw |